Filtrage à incertitudes stochastiques et bornées : application au diagnostic actif en automobile

Filtering with stochastic and bounded uncertainties : application to active diagnosis in automotive domain

• Auteur / Autrice : Quoc hung Lu
• Direction : Carine Jauberthie, Soheib Fergani
• Type : Thèse de doctorat
• Discipline(s) : Automatique
• Date : Soutenance le 15/03/2022
• Etablissement(s) : Toulouse 3
• Ecole(s) doctorale(s) : École doctorale Systèmes (Toulouse ; 1999-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'Analyse et d'Architecture des Systèmes (Toulouse ; 1968-....)
• Jury : Président / Présidente : Louise Travé-Massuyès
• Jury : Examinateurs / Examinatrices : Carine Jauberthie, Soheib Fergani, Floriane Anstett-Collin, Alexandre Chapoutot, Xavier Moreau
• Jury : Rapporteurs / Rapporteuses : Andreas Rauh, Tarek Raissi

Mots clés

Mots clés contrôlés

Évaluation

Véhicules

Filtres numériques (mathématiques)

Processus stochastiques

Mots clés libres

Incertitudes mixtes

Filtrage

Diagnostic

Mixed uncertainty

Filtering

Diagnosis

Résumé

Le problème du filtrage appliqué au diagnostic automobile est étudié dans ce travail de thèse, pour les systèmes dynamiques linéaires ou nonlinéaires, à temps discret, en contexte d'incertitudes mixtes, c'est-à-dire que les incertitudes peuvent être stochastiques ou bornées (dans des intervalles). Ce contexte permet de combiner deux approches bien connues du filtrage : les approches stochastique et ensembliste. Au travers de cette thèse, nous montrons qu'elles se complètent plutôt qu'elles se concurrencent. Deux modèles issus de l'automobile sont utilisés dans les applications tout-au-long de la thèse. Il s'agit des modèles de véhicule à bicyclette et de suspension. Des méthodes mixtes de filtrage sont tout d'abord développées et présentées dans ce travail : Optimal Upper Bound Interval Kalman Filter (OUBIKF) et Reinforced Likelihood Box Particle Filter (RLBPF), l'un est dédié aux systèmes linéaires et l'autre aux systèmes nonlinéaires. Le premier se base sur le filtre de Kalman intervalle et l'améliore en utilisant les propriétés développées et la stratégie d'optimisation des bornes supérieures de toutes les matrices de covariances admissibles appartenant à une matrice d'intervalle donnée. Le second propose un schéma général de filtre particulaire ensembliste et développe une méthodologie de renforcement du calcul de la vraisemblance, l'étape cruciale du schéma, pour améliorer la performance du filtre. La deuxième partie de cette thèse est dédiée à la détection de défauts. Les filtres précédents sont utilisés et combinés à une méthode de test d'hypothèse basée X^2 avec les degrés de liberté adaptatifs, à savoir Adaptive Degrees of Freedom X^2-statistic (ADFC), pour traiter la détection de défauts dans les systèmes linéaires ou nonlinéaires. Il s'agit d'une méthode de détection de défaut passive renforcée par la technique de seuil adaptatif dans l'étape de décision. Cette méthode permet la détection de défauts additifs, simples ou multiples, sur les capteurs. Dans la dernière partie de ce travail, une méthodologie de diagnostic actif est développée, à savoir ADFC-based Active Fault Diagnosis (AFD) utilisant des signaux auxiliaires. Cette méthodologie, étude préliminaire à l'approche active, se limite à la détection de défaut simple. Cependant, ses contributions sont multiples : isolement (localisation) et identification (estimation) du défaut, réduction de fausses alarmes et amélioration de l'estimation de l'état en renvoyant le défaut estimé comme un signal de retour au filtre utilisé. Nos futures recherches se concentrent tout particulièrement sur cette approche.

The problem of filtering applied to automotive diagnostic is studied in this thesis, for linear or nonlinear, discrete-time dynamical systems, in a context of mixed uncertainties, i.e. uncertainties can be stochastic or bounded (in intervals). This context allows us to combine two well-known approaches of filtering: stochastic and set-membership approach. Through this thesis, we show that they complement rather than compete each other. Two models from the automotive industry are used in the applications along the thesis: bicycle vehicle model and suspension model. Mixed filtering methods are first developed and presented in this work, namely Optimal Upper Bound Interval Kalman Filter (OUBIKF) and Reinforced Likelihood Box Particle Filter (RLBPF), one is dedicated to linear systems and the other to nonlinear systems. The former is based on interval Kalman filter and enhances it by using developed properties and optimization strategy of upper bounds of all admissible covariance matrices belonging to a given interval matrix. The later proposes a general scheme of box particle filter and develops a reinforcement methodology to the likelihood computation, the crucial step of the scheme, to enhance the filter performance. The second part of this thesis is dedicated to fault detection. The previous filters are used and combined with a X^2-based hypothesis testing method with adaptive degrees of freedom, namely Adaptive Degrees of Freedom X^2-statistic (ADFC), to deal with fault detection in linear or nonlinear systems. It is a passive fault detection method enhanced by the adaptive threshold technique in the decision making stage. This method allows the detection of single or multiple additive faults on the sensors. In the last part of this work, a methodology of active diagnosis is developed, that is the ADFC-based Active Fault Diagnosis (AFD) using auxiliary signals. This methodology, a preliminary study to the active approach, is limited to single fault detection. However, its contributions are multiple: isolation (localization) and identification (estimation) of the fault, reduction of false alarms and improvement of the state estimation by returning the estimated fault as a feedback signal to the filter used. Our future researches focus specifically on this approach.